[发明专利]一种结合统计特征和卷积神经网络模型的NDVI预测方法

说明书

本发明提出了一种结合统计特征和卷积神经网络模型的NDVI预测方法。本发明将原始遥感影像进行波段提取和格式转换得到NDVI数据集；通过NDVI数据集构建统计特征；对NDVI数据集进行裁剪；NDVI数据集和对应的统计特征输入到结合统计特征和卷积神经网络模型中进行训练和验证，直到训练集误差降低而验证集误差升高时停止，获得NDVI预测模型。本发明可提前获取大范围土地绿度信息，填补了结合统计特征和卷积神经网络模型以预测NDVI的技术空白；相比其他传统的NDVI预测方法，本发明预测具有快速、准确的优势。

技术领域

本发明属于NDVI预测建模领域，特别涉及一种结合统计特征和卷积神经网络模型的NDVI预测方法。

背景技术

植被是全球生态系统的重要组成部分，是表征植被覆盖动态和生产力的有效指标。归一化差值植被指数(NDVI，Normalized Difference Vegetation Index)通过对遥感数据进行简单的波段运算得到植被绿叶密度的数字指标，该指标是生态和环境的有力工具，是植被预测和管理等相关研究中最为常用的指数。并且，NDVI已被广泛用于监测和预测农业生产，监测和分析农业干旱等方面，评估生态和环境变化，估计植被物候指标，土地覆盖分类，森林和植被覆盖变化，生物量估计等方面。因此，定期监测和预测植被指数对于提供植被稳定性、维持粮食可持续生产、防止社会经济损失、有效指导区域生态修复和环境管理，反映生态系统状况和功能具有重要意义。

传统的预测NDVI的统计模型不能很好地捕获NDVI时间序列中隐藏的复杂非线性信息，预测效果较差。并且，对于海啸、野火、泥石流等突发状况，数据表现异常，特征偏离预期模式时，统计模型方法不能很好的应对突变，无法精确预测植被指数。现有的深度学习预测植被指数算法的研究中，图像直接作为深度神经网络的输入数据，没有进一步的预处理以获取更多的隐藏信息。人工神经网络尤其是卷积神经网络网络，学习到的特征基本上是边缘、颜色和纹理等图像特征，没有考虑对图像预先提取特征后在输入神经网络，仅仅依赖于网络自身提取的特征，几乎没有考虑图像相关的统计特征。

发明内容

针对归一化差值植被指数预测模型存在的问题，本发明提出一种准确的NDVI预测方法。考虑到在进行时间序列预测时，卷积神经网络可以有效地建模和预测带噪声的非线性时间序列，同时与预测数据相关的历史数据提供了非常重要的信息，本发明结合统计特征方法和深度学习模型，提出了一种结合统计特征和卷积神经网络(SF-CNN,CombiningStatistical Features and CNN)模型以预测时间序列NDVI，该发明弥补了浅层卷积神经网络仅学习图像特征的缺点，实现了归一化差值植被指数的精确预测。

为了实现上述目的，本发明采用如下技术方案：

一种结合统计特征和卷积神经网络模型的NDVI预测方法，其特征包括以下步骤；

步骤1，将原始遥感影像进行波段提取得到NDVI数据，将NDVI数据进行数据格式转换得到NDVI数据集；

步骤2，通过NDVI数据集构建统计特征；

步骤3，对NDVI数据集进行裁剪，结合统计特征构建样本集，将样本集根据一定比例划分为训练集和验证集；

步骤4，将训练集输入到特征卷积神经网络预测模型中，用于训练特征卷积神经网络预测模型，训练数据的损失函数为均方根误差，通过训练得到训练后特征卷积神经网络预测模型；

作为优选，步骤1中所述从原始遥感影像选取NDVI数据为：

data∈data1

其中，data1表示原始遥感影像，data表示从原始遥感影像获得的NDVI；

步骤1中所述对NDVI数据进行格式转换；

data(x,y,p,q)x∈[1,M],y∈[1,N],p∈[1,T],q∈[1,12]